Из чего состоит ML-собеседование
Интервью ML-инженера или Data Scientist обычно шире, чем у других инженерных специализаций, и включает до четырёх блоков:
- Математика и статистика — теорвер, проверка гипотез, линейная алгебра на уровне понимания. Блок, который заваливают чаще всего: после пары лет практики с готовыми библиотеками теория выветривается.
- Машинное обучение — от классических алгоритмов до нейросетей и LLM. Проверяется понимание механики, а не умение вызвать fit-predict.
- Практика и продакшен — как модель живёт после обучения: деплой, мониторинг, дрейф данных, переобучение на проде.
- Кодинг — Python и работа с данными; в некоторых компаниях полноценный live coding. Вопросы по собственным проектам из резюме тренирует прожарка опыта.
Темы ML-интервью
Статистика и теорвер
Проверка гипотез, p-value, доверительные интервалы, A/B-тесты, множественные сравнения, распределения, ЦПТ.
Классический ML
Линейные модели, деревья и ансамбли, градиентный бустинг, кросс-валидация, регуляризация, метрики качества, дисбаланс классов.
Нейросети
Backpropagation, оптимизаторы, батч-нормализация, переобучение и dropout, CNN, эмбеддинги, transfer learning.
LLM и NLP
Трансформеры и attention, токенизация, fine-tuning vs RAG, промптинг, оценка качества генерации, галлюцинации.
Временные ряды
Стационарность, сезонность, лаговые признаки, валидация без утечки будущего, специфика метрик прогноза.
Продакшен ML
Дрейф данных и концепций, мониторинг моделей, retraining-пайплайны, фичестор, A/B-раскатка моделей, latency-ограничения.
Как меняются вопросы по уровням
ML-трек в боте калибруется на уровни Middle и Senior — специфика области в том, что джуниорские позиции чаще закрываются стажировками с академическими скринингами, а рынок вакансий начинается с уверенного Middle.
Middle — «как работает и когда применять»
Senior — «границы применимости и продакшен»
Senior-специфика в ML: ключевой сигнал — умение связывать ML-метрики с бизнес-результатом. Кандидат, который на вопрос о качестве модели начинает с «а что мы оптимизируем для бизнеса», выигрывает у кандидата с идеальным знанием лоссов, но без этого вопроса.
На чём срезаются кандидаты
- Библиотеки без механики. Кандидат три года применяет градиентный бустинг, но не может объяснить, чем он отличается от случайного леса на уровне идеи. «Как работает» — стандартная проверка глубины.
- Провал по статистике. Самый частый: p-value объясняется неверно даже кандидатами с сильным DL-опытом. Статистика — фундамент, который спрашивают всегда.
- Ноль продакшен-мышления. Отличные ответы про обучение моделей — и тишина на вопрос «а что будет с моделью через полгода в проде». Для Middle+ позиций жизненный цикл модели обязателен.
- Хайп вместо понимания. Уверенные рассуждения про LLM при неспособности объяснить attention. Мода на тему повышает и планку проверки по ней.
- Метрики в отрыве от задачи. Перечисление всех известных метрик вместо выбора одной с обоснованием под конкретную бизнес-постановку.
Как построить подготовку
- Диагностика. 2–3 мок-собеседования по ML-треку. Типичное открытие: слабое место не нейросети, а базовая статистика.
- Фундамент первым. Статистика и классический ML — темы, которые спрашивают в 100% интервью. LLM и специализированные темы — после уверенного фундамента.
- Продакшен-блок. Если опыта продакшена мало — целевая проработка тем мониторинга, дрейфа и деплоя в режиме «Подготовка по темам»: вопросы о жизни модели после обучения будут обязательно.
- Свои проекты. Каждый ML-проект из резюме будет разобран с пристрастием: какие данные, почему такая модель, какие метрики, что в проде. Прожарка опыта репетирует именно это.
Вопросы и ответы
Сколько математики реально нужно для ML-собеседования?
Меньше, чем пугают, но больше, чем «никакой». Уровень: уверенное объяснение p-value и доверительных интервалов, понимание градиентного спуска концептуально, знание, что такое собственные векторы — без вывода формул на доске. Вывод формул спрашивают в основном в research-позициях.
Спрашивают ли классический ML, если вакансия про LLM?
Да, почти всегда. Классический ML и статистика — проверка фундамента: способность рассуждать о смещении, дисперсии, переобучении и валидации переносится на любые модели. Кандидат «только про LLM» без фундамента — красный флаг для большинства команд.
Чем отличаются интервью ML-инженера и Data Scientist?
Границы размыты и зависят от компании, но тенденция: у DS больше статистики, A/B-тестов и продуктовой аналитики; у ML-инженера — больше продакшена, инфраструктуры и кода. Ядро — классический ML и основы статистики — общее для обеих ролей.
Как готовиться к вопросам про LLM, если в работе их не было?
Честность плюс концептуальная база: понимать устройство трансформера, разницу fine-tuning и RAG, проблему галлюцинаций — это доступно без продакшен-опыта. На интервью прямо сказать «в проде не использовал, но понимаю устройство» — сильнее, чем изображать опыт, который вскроется на втором уточняющем вопросе.
Смотри также
Проверь себя на реальных вопросах
Выбери ML-специализацию и уровень — получи первый вопрос через минуту. Оценка каждого ответа и разбор слабых тем после сессии. Бесплатный старт.
▶ Начать тренировку